Une ville acceptée par un moteur IA n'est pas une ville respectée

Un réglage de localisation accepté par un moteur IA ne prouve rien. Le moteur peut recevoir une ville sans erreur, l'ignorer et produire des réponses d'apparence locale. Pour un réseau de points de vente ou une marque présente dans plusieurs pays, l'erreur se paie : un suivi par ville peut ne mesurer qu'un seul point de vue, et un suivi national peut manquer presque tous vos concurrents de proximité.

Le test repose sur cinq règles : deux villes qui ne sont pas le défaut, des réponses doublées pour isoler le bruit, des questions sans lien avec le lieu comme témoin, la langue testée à part, les cartes comptées à part. Il dit, moteur par moteur, où un chiffre par ville a un sens.

La preuve publique reste mince : au 28 octobre 2026, je n'ai trouvé qu'un seul audit universitaire contrôlé, en anglais et sur des API, et aucun test sur des villes françaises. Le protocole compte donc davantage que les résultats cités ici.

Les réponses IA sont-elles vraiment locales ?

Pour certaines questions et certains moteurs, oui, mais pas forcément par le canal attendu. Mahe Chen et Nick Koudas (université de Toronto, prépublication du 16 octobre 2026) ont posé 300 questions sans nom de lieu, chacune deux fois, à ChatGPT et à Gemini par API, soit 31 200 réponses. Ils ont fait varier le lieu déclaré sur 19 villes, puis le réseau de connexion.

L'indice de localisation est le recoupement des sources entre deux réponses identiques, moins leur recoupement entre deux lieux : à 0, le lieu ne change rien au-delà du bruit.

Source : Chen et Koudas, octobre 2026. Indice calculé sur les domaines cités, questions en anglais.

ChatGPT suit donc la ville déclarée et ignore le réseau. Gemini fait l'inverse, et s'arrête au pays : entre New York et Los Angeles, son indice est de 0,00. La distance ne joue pas non plus comme on l'imagine. Pour ChatGPT, l'indice vaut 0,13 entre villes distantes de moins de 1 000 km et 0,14 au-delà de 3 000 km. Une ville à quelques centaines de kilomètres n'en remplace donc pas une autre.

Pourquoi un réglage accepté n'est-il pas un réglage respecté ?

Parce qu'un moteur peut recevoir un paramètre, n'en rien faire et ne le signaler nulle part. La documentation dit ce qui est accepté, jamais ce qui change dans la réponse.

Dans les tests de l'équipe Nanga, des coordonnées de Marseille, Lille, New York et Tokyo, acceptées par l'API de Gemini, ont toutes renvoyé des réponses parisiennes. Aucune erreur, aucun avertissement. C'est la forme de l'échec : une réponse d'apparence valable, qui porte sur la mauvaise ville.

Pourquoi tester deux villes qui ne sont pas le défaut ?

Parce qu'un test sur la ville par défaut réussit même quand le réglage ne fonctionne pas. L'équipe Nanga a observé que Paris est le défaut des moteurs testés en France : demander Paris et obtenir Paris ne prouve rien.

Le défaut dépend aussi du canal. Sans lieu déclaré, l'API de ChatGPT répond, selon Chen et Koudas, pour un utilisateur américain non précisé, et réclame un code postal ou une ville dans 63 % des questions de proximité (4 % avec un lieu déclaré). Gemini répond pour le pays du réseau. Commencez donc par une série sans lieu : elle vous montre le défaut réel de votre canal.

Prenez ensuite deux villes éloignées de ce défaut, éloignées l'une de l'autre, où vous connaissez déjà les acteurs locaux : Lille et Toulouse, par exemple. Ne concluez rien pour deux villes voisines : la paire la plus proche de l'audit de Toronto est à 293 km, et je n'ai trouvé aucune mesure en dessous.

Comment tester la localisation d'un moteur ?

Avec 30 questions, trois réglages et deux répétitions, sur un moteur à la fois.

1. Choisissez le canal et nommez-le dans le rapport. Une API à paramètre de lieu mesure l'API, pas l'application. Des collègues ou des magasins réellement présents dans les deux villes donnent de vrais réseaux, mais il faut neutraliser les comptes, la mémoire et l'historique.
2. Écrivez trois familles de questions sans nom de lieu. Dix de proximité, dix qui dépendent du lieu, dix sans lien avec le lieu en témoin. Une question qui nomme la ville teste le prompt, pas le réglage. Elle reste un bon repli sur un moteur qui ignore le réglage, à condition de la rapporter à part.
3. Changez une seule chose à la fois. Sans lieu, ville A, ville B : même réseau, même langue, même jour. Le réseau se teste dans une seconde série.
4. Doublez chaque réponse. Les deux réponses jumelles donnent le bruit. Il est considérable : chez Chen et Koudas, deux demandes de proximité identiques ne partagent que 23 % de leurs noms d'entreprises, contre 4 % entre deux lieux.
5. Comparez les domaines et les marques. Pour chaque paire : éléments communs divisés par le total des éléments distincts. Seul l'écart entre jumelles et villes compte.
6. Cherchez la preuve dans les sources. Comptez les URL qui nomment la ville de la réponse, puis, en contre-épreuve, celles qui nomment l'autre ville. Chez Chen et Koudas, 79 % des réponses de proximité dans une ville américaine citent une source nommant la ville ou l'État, et la contre-épreuve reste sous 0,2 %.

Illustration de calcul : 30 questions × 3 réglages × 2 répétitions = 180 réponses par moteur. Ce volume donne une direction, sans plus. Même l'audit de Toronto juge indicatifs ses résultats à dix questions par sujet, et le nombre de prompts fixe la marge de ce que vous lirez ensuite.

Pourquoi tester la langue à part ?

La langue du prompt décide de la langue de la réponse, quel que soit le pays réglé. Sur un projet déclaré français, l'équipe Nanga a vu 50 prompts anglais donner 50 réponses anglaises. Des données dans la mauvaise langue viennent donc d'abord du jeu de prompts, pas du moteur.

Changer de langue change aussi de sources. Une étude plus ancienne, cosignée par Chen et Koudas (Chen et al., septembre 2025), a traduit 100 questions anglaises sur des produits en cinq langues, dont le français. Entre l'anglais et chaque autre langue, les domaines cités par ChatGPT ne se recoupent presque pas, ceux de Perplexity et de Gemini très peu, et Claude est le plus stable.

Si la ville et la langue changent ensemble, vous ne saurez jamais laquelle a agi. Testez-les en croix : même ville et deux langues (Bruxelles, en français et en néerlandais), puis même langue et deux pays (le français à Bruxelles et à Lyon).

Pourquoi les réponses locales sous-comptent-elles les marques ?

Parce qu'une réponse locale peut être une carte accompagnée de très peu de texte, alors qu'un compteur de mentions lit du texte. ChatGPT affiche des fiches locales avec carte depuis décembre 2024 (Glenn Gabe, GSQi), et une fiche d'établissement a été signalée en décembre 2025 (Greg Sterling, Near Media). L'équipe Nanga a observé que, lorsque la localisation fonctionne, la réponse est souvent cette carte, avec un texte presque vide.

D'où un paradoxe : plus un moteur respecte la ville, plus la mention de votre marque peut sembler reculer. Quatre corrections s'imposent :

• Notez le format de chaque réponse. Texte, liste, carte, question en retour. Une réponse qui demande un code postal ne nomme aucune marque : votre taux baisse sans que votre présence soit en cause.
• Lisez la carte à part. Relevez les établissements affichés dans une colonne séparée, puis donnez le taux avec et sans les réponses-cartes.
• Relisez la liste de marques. L'équipe Nanga a vu des mentions propres à la carte comptées comme des marques. C'est un cas parmi d'autres de faux signaux de visibilité.
• Ne comparez pas un moteur localisé à un moteur national. L'écart entre les deux tient alors au format autant qu'à votre marque.

Que faire pour un réseau de points de vente ?

Traiter les villes comme un échantillon, jamais comme une couverture. Sur ChatGPT et des questions de proximité, Chen et Koudas trouvent qu'une ville capte 9 % des entreprises recommandées à travers 15 villes américaines, cinq villes 36 % et dix villes 69 %, sans plateau. 96 % de ces entreprises n'apparaissent que dans une seule ville. La décision dépend de la famille de questions :

• Proximité. Une demande dans une ville ne recommande que 8 % des entreprises recommandées par la même demande dans une autre ville, contre 32 % en la répétant dans la même ville. Choisissez les villes selon le chiffre d'affaires en jeu, et n'extrapolez à aucune autre.
• Questions qui dépendent du lieu. 31 % contre 34 % : changer de ville change ici à peine plus que répéter la question.
• Questions sans lien avec le lieu. Sur ChatGPT, l'indice est de 0,00 entre villes américaines : sur ce canal, un budget par ville ne se justifie pas.

Les auteurs suggèrent enfin qu'une entreprise locale devient visible sur ChatGPT par des pages trouvées sur des recherches locales (annuaires, sites d'avis, institutions locales) plus que par ses positions nationales. Cette déduction de leur audit n'a fait l'objet d'aucun test d'intervention.

Que changer pour une marque présente dans plusieurs pays ?

Mesurez chaque pays, même pour les questions qui ne citent aucun lieu. Sur Gemini, l'indice reste à 0,23 pour les sources et à 0,07 pour les marques recommandées entre pays, sur des questions sans lien avec le lieu. À la question de l'enseigne alimentaire la moins chère, il nomme Aldi, Lidl et Tesco depuis le Royaume-Uni, No Frills, Walmart et Food Basics depuis le Canada.

• Le réseau fait partie du réglage. Un test lancé depuis vos bureaux mesure Gemini pour ce pays-là. Les auteurs ont utilisé des VPN de centres de données et préviennent que Gemini pourrait localiser plus finement sur une connexion résidentielle.
• Tous les pays ne sont pas acceptés. Anthropic indique, dans sa documentation au 28 octobre 2026, qu'un code pays non pris en charge est refusé. Le 17 octobre 2026, l'équipe Nanga a vu la recherche web de Claude refuser l'Irlande, le Luxembourg et La Réunion.
• Un lieu modifié casse une série. Comparer deux périodes ou deux moteurs n'a de sens qu'à lieu constant.

Où s'arrête la preuve sur les réponses locales ?

Avant le français et les applications grand public. Au 28 octobre 2026 :

• Le français. L'audit de Toronto porte sur des questions en anglais, 15 villes américaines et quatre villes anglophones. Je n'ai trouvé aucun test publié sur des villes françaises.
• Les applications. L'audit passe par des API et de petits modèles, et ses auteurs préviennent qu'ils peuvent différer des applications. ChatGPT a ajouté en mars 2026 un partage facultatif de la position de l'appareil (PPC Land, citant les notes de version d'OpenAI, que je n'ai pas pu ouvrir). Je n'ai trouvé aucun test publié qui reproduise un utilisateur réel, avec son compte, sa mémoire et sa position.
• Google. Je n'ai trouvé aucun audit indépendant d'AI Overviews ou d'AI Mode à l'échelle de la ville.
• Le lien avec les ventes. Je n'ai trouvé aucune donnée reliant la visibilité IA d'une ville aux visites en magasin ou au chiffre d'affaires local.
• La durée. Les auteurs précisent que leurs mesures décrivent les moteurs en octobre 2026. Une nouvelle version de modèle peut tout déplacer.

Des études de prestataires publient des écarts entre villes. Je ne les retiens pas ici : je n'ai pas pu vérifier leur méthode.

Que faire avant le prochain budget local ?

1. Listez les décisions qui reposent sur un chiffre local. S'il n'y en a aucune, le test peut attendre.
2. Testez d'abord le moteur qui pèse le plus dans ces décisions, avec les 30 questions et les témoins.
3. Écrivez la règle de rapport. Pour chaque moteur : niveau ville ou pays, canal, langue, date du dernier test. Un chiffre sans cette ligne n'entre pas dans une décision de budget.
4. Refaites le test à chaque changement de modèle, et au moins chaque trimestre (repère personnel).

Le plus difficile n'est pas le test, mais de garder visible, semaine après semaine, quel moteur répond à quel niveau. Dans le module GEO de Nanga, un projet correspond à un pays et une langue, et peut cibler une ville. Seuls certains moteurs reçoivent cette ville, les autres répondent au niveau du pays. Dès qu'une ville est choisie, chaque moteur porte son badge, « Ciblage ville » ou « Pays uniquement », là où les moteurs sont comparés, pour qu'un écart de ciblage ne se lise pas comme un écart de visibilité. Un changement de ville vaut à partir du run suivant, et les runs passés gardent leur ciblage d'origine. Deux villes font deux projets, dans la limite de votre formule.

Pour voir quels moteurs reçoivent votre ville et ce qu'ils répondent sur vos propres prompts : demander une démo.

Questions fréquentes

Sources :

• Mahe Chen et Nick Koudas, université de Toronto, Location, Location, Generation: Where You Ask Matters for Generative Engine Optimization, prépublication, octobre 2026.
• Mahe Chen, Xiaoxuan Wang, Kaiwen Chen et Nick Koudas, Generative Engine Optimization: How to Dominate AI Search, prépublication, septembre 2025.
• OpenAI, Web search, documentation consultée le 28 octobre 2026.
• Anthropic, Web search tool, documentation consultée le 28 octobre 2026.
• Google, Grounding with Google Search et Grounding with Google Maps, documentation consultée le 28 octobre 2026.
• Perplexity, User location filter guide, documentation consultée le 28 octobre 2026.
• PPC Land, ChatGPT quietly rolled out location sharing and local search may never be the same, mars 2026.
• Glenn Gabe, GSQi, ChatGPT Search creeps closer to Google, décembre 2024.
• Greg Sterling, Near Media, ChatGPT Local Results Now Feature a Knowledge Panel, décembre 2025.
• Observations de l'équipe Nanga, tests internes d'août à octobre 2026, sur de petits échantillons, non publiés.